內容大鋼
本書以「用Python學AI」為主題，幫助零基礎讀者從「會用AI」到「技術入門AI」。全書共12章，從Python語言基礎出發，循序漸進地覆蓋機器學習、深度學習、大模型原理與智能體開發等核心技術。第1章介紹AI發展簡史與Python環境搭建；第2、3章講解Python核心語法與數據處理三劍客；第4、5章系統闡述機器學習基礎與主流演算法；第6、7章講解深度學習入門與核心網路結構；第8至10章聚焦大模型原理、微調對齊與部署；第11、12章探索智能體開發與行業實踐。
本書遵循「跟著案例實操，跳過複雜公式；先跑通代碼，再理解原理；聚焦核心工具，不貪多求全」的學習原則。每一知識點均配有精心設計的代碼示例，讀者可直接運行、調試、修改，在實踐中深化理解。無論你是對AI充滿好奇的普通讀者，還是希望轉型AI領域的技術人員，抑或是期待將AI應用於業務場景的從業者，本書都將幫助你一步步掌握AI開發的核心能力，助你最終能開發出屬於自己的智能體。
目錄
第1章 為什麼用Python學AI
1.1 AI發展簡史
1.2 Python在AI領域的核心優勢
1.2.1 AI開發的全棧工具箱
1.2.2 降低AI學習的技術門檻
1.2.3 產學研閉環的通用AI語言
1.3 Python開發環境搭建
1.3.1 Python語言環境安裝
1.3.2 Python虛擬環境支持
1.3.3 PyCharm開發環境
1.3.4 Jupyter開發環境
1.4 小結
第2章 Python基礎知識
2.1 Python核心語法
2.1.1 變數與數據類型
2.1.2 類型轉換
2.1.3 if-else判斷
2.1.4 循環控制
2.1.5 函數封裝
2.2 Python基本數據結構
2.2.1 列表
2.2.2 元組
2.2.3 集合
2.2.4 字典
2.2.5 數據結構小結
2.3 Python面向對象基礎
2.3.1 類的定義與實例化
2.3.2 類的繼承與多態
2.3.3 面向對象編程小結
2.4 Python包與模塊管理
2.4.1 包與模塊的基礎知識
2.4.2 包與模塊最佳實踐
2.5 常用的AI相關庫簡介
2.6 小結
第3章 Python數據處理「三劍客」
3.1 NumPy
3.1.1 NumPy數組
3.1.2 NumPy主要運算機制
3.1.3 用NumPy進行數據預處理
3.2 Pandas
3.2.1 DataFrame
3.2.2 數據清洗
3.2.3 數據篩選與分組
3.3 Matplotlib
3.3.1 核心語法規則
3.3.2 數據可視化———典型圖表實戰
3.3.3 進階技巧
3.4 小結
第4章 機器學習基礎
4.1 機器學習核心認知
4.1.1 機器學習的定義與本質:數據驅動的自主學習
4.1.2 三大分類:有監督學習、無監督學習、強化學習
4.2 機器學習與AI、深度學習、大模型之間的關係
4.2.1 層級框架
4.2.2 場景差異
4.3 機器學習與規則編程的本質差異
4.3.1 核心對比
4.3.2 代碼對比
4.4 機器學習工具:從數據到模型
4.4.1 數據預處理:復用Pandas+NumPy
4.4.2 模型工具:Scikitlearn入門
4.5 小結
第5章 機器學習主要演算法
5.1 回歸演算法
5.1.1 回歸演算法基礎
5.1.2 線性回歸
5.1.3 嶺回歸
5.2 分類演算法
5.2.1 分類定義
5.2.2 邏輯回歸
5.2.3 KNN
5.2.4 決策樹
5.2.5 SVM
5.2.6 分類效果評估
5.3 無監督學習演算法
5.3.1 KMeans
5.3.2 層次聚類
5.3.3 PCA
5.3.4 無監督學習演算法的評估
5.4 集成演算法
5.4.1 集成學習的邏輯:Bagging與Boosting
5.4.2 隨機森林
5.4.3 XGBoost
5.5 小結
第6章 深度學習入門
6.1 深度學習的起源
6.1.1 從機器學習到深度學習
6.1.2 深度學習的三大核心特徵
6.2 深度學習的數學基礎
6.2.1 線性代數核心工具
6.2.2 微積分
6.2.3 概率與統計基礎
6.3 神經網路的基本結構
6.3.1 神經元模型
6.3.2 神經網路的層級結構
6.3.3 激活函數的作用與類型
6.4 神經網路的訓練原理
6.4.1 損失函數的定義與選擇
6.4.2 反向傳播演算法
6.4.3 梯度下降的變體
6.5 深度學習通用實踐基礎
6.5.1 數據預處理核心方法
6.5.2 基礎優化工具與指標
6.6 小結
第7章 深度學習核心網路結構與實戰
7.1 卷積神經網路的原理、實戰與優化
7.1.1 CNN的核心思想與組件
7.1.2 經典CNN架構簡介
7.1.3 基於CNN的MNIST識別
7.2 循環神經網路的原理、實戰與優化
7.2.1 RNN的核心思想與組件
7.2.2 RNN的梯度問題與改進
7.2.3 實戰案例:基於LSTM的時間序列預測
7.2.4 GRU網路實戰:商品銷量時序預測
7.3 自編碼器的原理、實戰與優化
7.3.1 自編碼器的核心思想與結構
7.3.2 自編碼器的變體與特性
7.3.3 實戰案例:基於自編碼器的設備故障預測
7.4 小結
第8章 大模型核心原理與開發工具環境
8.1 大模型技術演進與核心原理
8.1.1 從機器學習到大模型的技術演進
8.1.2 大模型技術發展簡史
8.1.3 Transformer架構原理
8.1.4 預訓練與核心技術原理
8.2 開發工具與環境全配置
8.2.1 UV虛擬環境的搭建
8.2.2 核心依賴安裝
8.2.3 深度解析核心開發工具
8.3 小結
第9章 從零開始實現大模型
9.1 預訓練大模型的核心原理
9.1.1 Decoderonly:預訓練大模型的主流架構
9.1.2 自回歸預訓練任務:因果語言建模
9.2 自定義語料構建
9.2.1 語料設計思路
9.2.2 最終語料
9.3 數據預處理
9.3.1 環境準備
9.3.2 構建辭彙表
9.3.3 語料編碼
9.3.4 構建訓練數據集
9.3.5 數據載入器
9.4 核心組件實現
9.4.1 位置編碼
9.4.2 掩碼自注意力
9.4.3 TransformerDecoder塊
9.5 完整模型定義
9.6 預訓練任務設計
9.7 模型訓練與驗證
9.8 模型推理與文本生成
9.9 大模型預訓練優化思路
9.9.1 大模型語料
9.9.2 分詞器tokenizer
9.9.3 工程優化
9.10 大模型的能力疑惑
9.11 小結
第10章 大模型微調、對齊、壓縮與部署
10.1 大模型微調技術解析及實踐
10.1.1 什麼是大模型微調
10.1.2 為什麼需要微調
10.1.3 微調技術的演化
10.1.4 微調實操
10.2 模型對齊
10.2.1 對齊技術的原理
10.2.2 對齊技術進化史
10.2.3 對齊技術代碼實踐
10.3 模型壓縮
10.3.1 大模型壓縮三大核心路徑
10.3.2 Distilgpt2模型量化實踐
10.4 模型部署
10.4.1 個人電腦輕量化部署
10.4.2 企業工程化部署
10.5 模型調用
10.5.1 LangChain框架介紹
10.5.2 LangChain連接DeepSeekAPI實踐
10.6 小結
第11章 基於大模型的智能體開發技術
11.1 大模型智能體概述
11.1.1 從經典AI到現代大模型智能體
11.1.2 大模型智能體的核心架構
11.2 提示詞工程
11.2.1 提示詞工程的價值
11.2.2 核心提示詞技巧
11.3 檢索增強生成的原理與實現
11.3.1 RAG的核心價值
11.3.2 基於LangChain+Chroma的RAG實現
11.4 大模型智能體的開發
11.4.1 LangChainAgent核心組件解析
11.4.2 LangChainAgent的工作機制與執行流程
11.4.3 LangChainAgent的核心優勢與MCP協議集成
11.5 實踐案例:從單智能體到多智能體
11.5.1 RAG增強的產品問題Agent
11.5.2 MCP跨平台智能體
11.5.3 多智能體協作系統
11.6 小結
第12章 AI智能體應用案例實踐
12.1 使用Coze改寫微信文章併發布到公眾號
12.1.1 獲取微信公眾號信息
12.1.2 新建Coze工作流
12.1.3 新增及設置工作流節點
12.1.4 測試工作流
12.2 使用Dify搭建AI電子客服機器人
12.2.1
[